基于脑电图与医疗物联网框架的新型精神分裂症智能医疗检测

在神经科学领域，脑活动分析一直被视为重要方向。精神分裂症（Sz）是一种严重影响全球人群思维、行为与情感的脑部障碍。脑电图（EEG）已被证明是 Sz 检测的有效生物标志物。EEG 是一种非线性时间序列信号，因其非线性结构，利用其开展研究颇为关键。本文旨在利用深度学习方法提升基于 EEG 的 Sz 检测性能。我们提出一种名为 SzHNN（精神分裂症混合神经网络）的新型混合深度学习模型，其由卷积神经网络（CNN）与长短期记忆网络（LSTM）组合而成。CNN 用于局部特征提取，LSTM 用于分类。所提模型与仅 CNN、仅 LSTM 及基于机器学习的模型进行了比较。所有模型在两个不同数据集上评估：数据集 1 含 19 名受试者，数据集 2 含 16 名受试者。使用不同频段上的多种参数设置及头皮上不同电极组合开展了若干实验。所有实验表明，所提混合模型（SzHNN）相较其他现有模型取得了 99.9% 的最高分类准确率。该模型克服了不同频段的影响，即便仅用 5 个电极也展现出 91% 的更优准确率。所提模型还在面向智能医疗与远程监测应用的医疗物联网（IoMT）框架上进行了评估。